Visuelles verkörpertes Gehirn: Lassen Sie multimodale große Sprachmodelle sehen, denken und in Räumen steuern

Zusammenfassung

Die bemerkenswerten Fortschritte von Multimodalen Großen Sprachmodellen (MLLMs) haben zunehmend Aufmerksamkeit darauf gelenkt, diese auf physische Entitäten wie Laufroboter zu erweitern. Dies erfordert typischerweise, dass MLLMs nicht nur multimodale Verständnisfähigkeiten erlangen, sondern auch visuell-räumliches Denken und Fähigkeiten zur physischen Interaktion integrieren. Dennoch haben bestehende Methoden Schwierigkeiten, diese Fähigkeiten aufgrund ihrer grundlegenden Unterschiede zu vereinheitlichen. In diesem Artikel stellen wir das Visuelle Verkörperte Gehirn (VeBrain) vor, ein einheitliches Framework für Wahrnehmung, Denken und Steuerung in der realen Welt. VeBrain formuliert die Robotersteuerung in gängige textbasierte MLLM-Aufgaben im 2D-Visualraum um und vereinheitlicht so die Ziele und Abbildungsräume verschiedener Aufgaben. Anschließend wird ein neuartiger Roboter-Adapter vorgeschlagen, um textbasierte Steuersignale von MLLMs in Bewegungsrichtlinien für echte Roboter umzuwandeln. Aus der Datenperspektive führen wir weiterhin VeBrain-600k ein, einen hochwertigen Instruktionsdatensatz, der verschiedene Fähigkeiten von VeBrain umfasst. In VeBrain-600k haben wir hunderte Stunden darauf verwendet, die Daten zu sammeln, zu kuratieren und zu annotieren, und haben multimodale Ketten des Denkens (CoT) verwendet, um die verschiedenen Fähigkeiten in eine einzige Konversation zu integrieren. Umfangreiche Experimente auf 13 multimodalen Benchmarks und 5 räumlichen Intelligenz-Benchmarks demonstrieren die überlegene Leistung von VeBrain im Vergleich zu bestehenden MLLMs wie Qwen2.5-VL. Bei der Implementierung auf Laufrobotern und Roboterarmen zeigt VeBrain im Vergleich zu bestehenden Methoden starke Anpassungsfähigkeit, Flexibilität und kompositionelle Fähigkeiten. Beispielsweise erzielt VeBrain im Vergleich zu Qwen2.5-VL nicht nur erhebliche Verbesserungen auf MMVet um +5,6 %, sondern übertrifft auch in Aufgaben mit Laufrobotern mit durchschnittlichen Gewinnen von +50 %.

English

The remarkable progress of Multimodal Large Language Models (MLLMs) has attracted increasing attention to extend them to physical entities like legged robot. This typically requires MLLMs to not only grasp multimodal understanding abilities, but also integrate visual-spatial reasoning and physical interaction capabilities. Nevertheless,existing methods struggle to unify these capabilities due to their fundamental differences.In this paper, we present the Visual Embodied Brain (VeBrain), a unified framework for perception, reasoning, and control in real world. VeBrain reformulates robotic control into common text-based MLLM tasks in the 2D visual space, thus unifying the objectives and mapping spaces of different tasks. Then, a novel robotic adapter is proposed to convert textual control signals from MLLMs to motion policies of real robots. From the data perspective, we further introduce VeBrain-600k, a high-quality instruction dataset encompassing various capabilities of VeBrain. In VeBrain-600k, we take hundreds of hours to collect, curate and annotate the data, and adopt multimodal chain-of-thought(CoT) to mix the different capabilities into a single conversation. Extensive experiments on 13 multimodal benchmarks and 5 spatial intelligence benchmarks demonstrate the superior performance of VeBrain to existing MLLMs like Qwen2.5-VL. When deployed to legged robots and robotic arms, VeBrain shows strong adaptability, flexibility, and compositional capabilities compared to existing methods. For example, compared to Qwen2.5-VL, VeBrain not only achieves substantial gains on MMVet by +5.6%, but also excels in legged robot tasks with +50% average gains.

Visuelles verkörpertes Gehirn: Lassen Sie multimodale große Sprachmodelle sehen, denken und in Räumen steuern

Visual Embodied Brain: Let Multimodal Large Language Models See, Think, and Control in Spaces

Zusammenfassung

Support